PRoH：面向检索增强生成的知识超图动态规划与推理
计算与语言
2026-02-19 v2
摘要
知识超图（KHs）最近作为检索增强生成（RAG）的知识表示方法而浮出水面，提供了一种将多实体关系建模为结构化形式的范式。然而，现有的基于KHs的RAG方法存在三个主要局限：静态检索规划、非自适应检索执行以及对KHs结构和语义的浅层利用，这些限制约束了其在有效多跳问答方面的能力。为克服这些局限，本文提出PRoH，即面向知识超图的动态规划与推理框架。PRoH包含三个核心创新：(i) 一种上下文感知规划模块，用于勾勒局部KHs邻域以指导结构化推理计划的生成；(ii) 一种结构化问句分解过程，将子问句组织为动态演化的有向无环图（DAG），以实现自适应的多轨迹探索；(iii) 一种受实体加权重叠（EWO）指导的推理路径检索算法，优先考虑语义连贯的超边遍历。跨多个领域的实验表明，PRoH实现了领先的SOTA性能，平均以19.73%的F1分数和8.41%的生成评估（G-E）得分超越了之前的SOTA模型HyperGraphRAG，同时在长程多跳推理任务中保持了强大的鲁棒性。
引用
@article{arxiv.2510.12434,
title = {PRoH: Dynamic Planning and Reasoning over Knowledge Hypergraphs for Retrieval-Augmented Generation},
author = {Xiangjun Zai and Xingyu Tan and Xiaoyang Wang and Qing Liu and Xiwei Xu and Wenjie Zhang},
journal= {arXiv preprint arXiv:2510.12434},
year = {2026}
}
备注
Accepted by The Web Conference 2026 (WWW, 2026)